DE102021200938A1 - PROCEDURE FOR TESTING A FLUID MACHINE COMPONENT - Google Patents
PROCEDURE FOR TESTING A FLUID MACHINE COMPONENT Download PDFInfo
- Publication number
- DE102021200938A1 DE102021200938A1 DE102021200938.7A DE102021200938A DE102021200938A1 DE 102021200938 A1 DE102021200938 A1 DE 102021200938A1 DE 102021200938 A DE102021200938 A DE 102021200938A DE 102021200938 A1 DE102021200938 A1 DE 102021200938A1
- Authority
- DE
- Germany
- Prior art keywords
- component
- machine learning
- learning system
- recording
- category
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012360 testing method Methods 0.000 title claims abstract description 19
- 239000012530 fluid Substances 0.000 title 1
- 238000010801 machine learning Methods 0.000 claims abstract description 79
- 230000008439 repair process Effects 0.000 claims abstract description 21
- 230000007547 defect Effects 0.000 claims description 35
- 239000011148 porous material Substances 0.000 claims description 20
- 241000282414 Homo sapiens Species 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000007789 gas Substances 0.000 description 11
- 238000002485 combustion reaction Methods 0.000 description 5
- 238000001514 detection method Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 2
- 239000003350 kerosene Substances 0.000 description 2
- 238000004393 prognosis Methods 0.000 description 2
- 239000012488 sample solution Substances 0.000 description 2
- 238000010998 test method Methods 0.000 description 2
- 241000282412 Homo Species 0.000 description 1
- 239000000567 combustion gas Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000001454 recorded image Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F01—MACHINES OR ENGINES IN GENERAL; ENGINE PLANTS IN GENERAL; STEAM ENGINES
- F01D—NON-POSITIVE DISPLACEMENT MACHINES OR ENGINES, e.g. STEAM TURBINES
- F01D21/00—Shutting-down of machines or engines, e.g. in emergency; Regulating, controlling, or safety means not otherwise provided for
- F01D21/003—Arrangements for testing or measuring
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/04—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material
- G01N23/046—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and forming images of the material using tomography, e.g. computed tomography [CT]
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/02—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material
- G01N23/06—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by transmitting the radiation through the material and measuring the absorption
- G01N23/18—Investigating the presence of flaws defects or foreign matter
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2260/00—Function
- F05D2260/80—Diagnostics
-
- F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
- F05—INDEXING SCHEMES RELATING TO ENGINES OR PUMPS IN VARIOUS SUBCLASSES OF CLASSES F01-F04
- F05D—INDEXING SCHEME FOR ASPECTS RELATING TO NON-POSITIVE-DISPLACEMENT MACHINES OR ENGINES, GAS-TURBINES OR JET-PROPULSION PLANTS
- F05D2270/00—Control
- F05D2270/70—Type of control algorithm
- F05D2270/709—Type of control algorithm with neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10072—Tomographic images
- G06T2207/10081—Computed x-ray tomography [CT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/10—Recognition assisted with metadata
Abstract
Die vorliegende Erfindung betrifft ein Verfahren zum Prüfen eines Bauteils, insbesondere eines Bauteils einer Strömungsmaschine (1), mit den Schritten:- Erstellen (S2) zumindest einer Röntgen- oder CT-Aufnahme des Bauteils (10) mittels einer Bilderfassungseinrichtung (20);- Bereitstellen (S21) von Metadaten zu dem Bauteil (10), die insbesondere einen Bauteiltyp, eine Laufzeit des Bauteils (10), eine Anzahl verbleibender Lebenszyklen und/oder eine Reparaturhistorie umfassen;- Klassifizieren des Bauteils (10) anhand der von der Bilderfassungseinrichtung (20) erstellten Aufnahme und der bereitgestellten Metadaten in eine „Servicable“ oder eine „Non-Servicable“ Kategorie mittels eines maschinellen Lernsystems (30).The present invention relates to a method for testing a component, in particular a component of a turbomachine (1), with the steps: - creating (S2) at least one X-ray or CT image of the component (10) by means of an image acquisition device (20); Providing (S21) metadata about the component (10), which include in particular a component type, a term of the component (10), a number of remaining life cycles and/or a repair history;- Classifying the component (10) using the image acquisition device ( 20) created recording and the metadata provided into a "servicable" or a "non-servicable" category using a machine learning system (30).
Description
Technisches Gebiettechnical field
Die vorliegende Erfindung betrifft ein Verfahren zum Prüfen eines Bauteils einer Strömungsmaschine sowie ein Verfahren zum Trainieren eines maschinellen Lernsystems.The present invention relates to a method for testing a component of a turbomachine and a method for training a machine learning system.
Stand der TechnikState of the art
Eine axiale Strömungsmaschine gliedert sich funktional in Verdichter, Brennkammer und Turbine, wobei im Falle eines Flugtriebwerks angesaugte Luft im Verdichter komprimiert und in der nachgelagerten Brennkammer mit hinzugemischtem Kerosin verbrannt wird. Das entstehende Heißgas, eine Mischung aus Verbrennungsgas und Luft, durchströmt die nachgelagerte Turbine und wird dabei expandiert. Die Turbine und der Verdichter sind in der Regel jeweils mehrstufig aufgebaut, wobei eine jeweilige Stufe einen Stator und einen Rotor umfasst. Die Statoren und Rotoren sind dabei jeweils aus einer Mehrzahl umlaufend aufeinanderfolgender Schaufeln aufgebaut, die je nach Anwendung von dem Verdichter- bzw. dem Heißgas umströmt werden.An axial flow machine is functionally divided into compressor, combustion chamber and turbine, whereby in the case of an aircraft engine, intake air is compressed in the compressor and burned in the downstream combustion chamber with added kerosene. The resulting hot gas, a mixture of combustion gas and air, flows through the downstream turbine and is expanded in the process. The turbine and the compressor are usually constructed in multiple stages, with each stage comprising a stator and a rotor. The stators and rotors are each made up of a plurality of circumferentially consecutive blades around which the compressor or hot gas flows, depending on the application.
Bei einem Flugtriebwerk oder einer Kraftwerksturbine kann es im Zuge der Benutzung zu Beschädigungen, wie z.B. Schadstellen, Gefügeveränderungen oder Korrosionserscheinungen an dessen Bauteilen kommen. Besonders gefährdet und sicherheitsrelevant können die im Gaskanal angeordneten Bauteile sein, also bspw. Schaufeln, aber auch Gaskanalplatten etc. Dabei können selbst kleinere Schadstellen insofern problematisch sein, als sie eine Initialstelle für eine Rissausbreitung darstellen können. Deshalb kann der Detektion solcher Schadstellen eine besondere Bedeutung zukommen.In the course of use, an aircraft engine or a power plant turbine can suffer damage, such as damaged areas, structural changes or signs of corrosion on its components. The components arranged in the gas duct can be particularly endangered and relevant to safety, for example blades, but also gas duct plates etc. Even small damaged areas can be problematic insofar as they can represent an initial point for crack propagation. Therefore, the detection of such damaged areas can be of particular importance.
Im Stand der Technik ist es bekannt, dass bei der sogenannten Befundung von Bauteilen wie z.B. Schaufeln von diesen Bildaufnahmen, insbesondere Röntgen- oder CT-Aufnahmen zu erstellt werden. Hierdurch lassen sich zerstörungsfrei Risse oder Geometrieabweichungen an in der Strömungsmaschine betriebenen Bauteilen oder auch Poren oder unzureichende Schweißanbindungen in reparierten Bauteilen erkennen.It is known in the prior art that during the so-called assessment of components such as blades, for example, images, in particular X-rays or CT images, are created from these. As a result, cracks or geometric deviations in components operated in the turbomachine or pores or insufficient welded connections in repaired components can be detected non-destructively.
Es existieren bereits Softwarelösungen, die anhand vorbestimmter Kriterien wahrscheinliche Fehlstellen markieren und somit den Befunder bei seiner Arbeit unterstützen. Jedoch sind die bekannten Softwarelösungen noch nicht ausreichend zuverlässig, so dass eine manuelle Kontrolle in jedem Fall nötig ist.There are already software solutions that mark probable flaws based on predetermined criteria and thus support the diagnostician in his work. However, the known software solutions are not yet sufficiently reliable, so that a manual check is necessary in any case.
Darstellung der ErfindungPresentation of the invention
Der vorliegenden Erfindung liegt das technische Problem zugrunde, ein vorteilhaftes Verfahren zum Prüfen eines Bauteils, insbesondere eines Bauteils einer Strömungsmaschine, anzugeben.The present invention is based on the technical problem of specifying an advantageous method for testing a component, in particular a component of a turbomachine.
Dies wird erfindungsgemäß mit dem Verfahren gemäß Anspruch 1 gelöst. Dabei wird von dem Bauteil zunächst mittels einer Bilderfassungseinrichtung zumindest eine Röntgen- oder CT-Aufnahme erstellt. In einem weiteren Schritt werden Metadaten zu dem Bauteil akquiriert bzw. bereitgestellt, die bspw. einen Bauteiltyp/Teilenummer, eine Laufzeit des Bauteils, eine berechnete Restlebensdauer, eine vorgeschriebene Restlebensdauer, einen Betreiber der Strömungsmaschine, eine Wandstärke oder eine Reparaturhistorie des Bauteils umfassen. Auf der Grundlage der zumindest einen von der Bilderfassungseinrichtung erstellten ersten Aufnahme und der akquirierten Metadaten wird das untersuchte Bauteil mittels eines maschinellen Lernsystems, bspw. unter Verwendung eines (dazu) trainierten selbstlernenden Algorithmus, der auf einem Computer/Rechner läuft, entweder unter eine „Servicable“ oder eine „Non-Servicable“ Kategorie klassifiziert. „Servicable“ bedeutet in diesem Kontext, dass das Bauteil noch betriebsfähig ist das heißt unter Einhaltung der Zulassungsbedingungen wieder in eine Strömungsmaschine eingebaut werden könnte, während ein als „Non-Servicable“ klassifiziertes Bauteil nicht mehr betriebsfähig ist und entweder einer Reparatur bedarf oder Ausschuss darstellt. In anderen Worten sieht die Erfindung ein Verfahren zum Prüfen eines Bauteils mittels eine maschinellen Lernsystems, das zumindest einen Computer oder eine ähnliche Recheneinrichtung mit einem darauf abgelegten trainierten selbstlernenden Algorithmus aufweist, vor. Das maschinelle Lernsystem empfängt zumindest eine Röntgen- oder CT-Aufnahme des Bauteils von einer Bilderfassungseinrichtung und zumindest einen Satz Metadaten zum Bauteil, z.B. aus einer Datenbank, und wertet diese dann mittels des trainierten selbstlernenden Algorithmus aus.According to the invention, this is achieved with the method according to
Ein Vorteil hiervon ist, dass das Bauteil schnell, automatisiert und technisch einfach auf Fehlstellen, insbesondere Risse und/oder Poren, untersucht werden kann.One advantage of this is that the component can be examined for defects, in particular cracks and/or pores, quickly, automatically and in a technically simple manner.
Vorteilhafte Ausgestaltungen der Erfindung sind Gegenstand der Unteransprüche.Advantageous configurations of the invention are the subject matter of the dependent claims.
Gemäß einem Aspekt der Erfindung kann das maschinelle Lernsystem ferner dazu trainiert sein, die als „Non-Servicable“ klassifizierten Teile entweder einer „Repairable“ oder einer „Non-Repairable“ Kategorie zuzuordnen. Dies ermöglicht schlankere Arbeitsabläufe, da Ausschussteile (Scrap), im Falle dass das maschinelle Lernsystem eine eindeutige Klassifizierung treffen kann, schnell aussortiert werden können.According to one aspect of the invention, the machine learning system can be further trained to assign the parts classified as "non-serviceable" to either a "repairable" or a "non-repairable" category. This enables leaner workflows, since scrap parts (scrap), in the case that the machine learning system can make a clear classification can be sorted out quickly.
Gemäß einer bevorzugten Ausgestaltung kann das maschinelle Lernsystem zudem dazu trainiert sein, den als „Repairable“ klassifizierten Bauteilen eine Erfolgswahrscheinlichkeit der Reparatur zuzuordnen. Hierzu kann es insbesondere eine Rückkopplung zu den tatsächlich erfolgten Reparaturen an Bauteilen desselben Typs geben, d.h. der Input, ob eine Reparatur gelungen ist, wir in die Metadatenbank des maschinellen Lernsystems zurückgespeist und mit den Prüfdaten, d.h. der Aufnahme aus der Bilderfassungseinrichtung und den anderen Metadaten verknüpft. Bei einem ausreichend großen Datenfundus kann so eine Verknüpfung zwischen der Art, Anzahl und Größe der gefundenen Fehler und der statistischen Reparaturerfolgswahrscheinlichkeit für einen bestimmten Bauteiltyp oder auch Bauteilübergreifend hergestellt werden. Bei einer weiter bevorzugten Ausgestaltung, kann ein geprüftes Bauteil beim Unterschreiten einer gewissen Reparaturwahrscheinlichkeit bspw. kleiner 60%, bevorzugt kleiner 40%, als vom maschinellen Lernsystem als Ausschuss (Scrap) gewertet werden. Dies hilft dabei, unwirtschaftliche Reparaturversuche zu vermeiden und Ressourcen in der MRO effizienter einzusetzen.According to a preferred embodiment, the machine learning system can also be trained to assign a probability of success of the repair to the components classified as “repairable”. In particular, there can be feedback on the repairs actually carried out on components of the same type, i.e. the input as to whether a repair was successful is fed back into the meta database of the machine learning system and with the test data, i.e. the recording from the image acquisition device and the other metadata connected. With a sufficiently large pool of data, a link can be established between the type, number and size of the defects found and the statistical probability of successful repair for a specific component type or for all components. In a further preferred embodiment, if a tested component falls below a certain probability of repair, for example less than 60%, preferably less than 40%, the machine learning system can evaluate it as scrap. This helps to avoid uneconomical repair attempts and to use resources in the MRO more efficiently.
Gemäß einem weiteren Aspekt der Erfindung kann das maschinelle Lernsystem ein neuronales Netzwerk, ein deep neural network (DNN), ein convolutional neural network (CNN) und/oder eine Support Vector Machine umfassen.According to a further aspect of the invention, the machine learning system can comprise a neural network, a deep neural network (DNN), a convolutional neural network (CNN) and/or a support vector machine.
Gemäß einem weiteren Aspekt der Erfindung kann das maschinelle Lernsystem dazu ausgebildet sein, Fehlstellen, insbesondere Risse oder Poren, Verunreinigungen, Anbindungsfehler in der zumindest einen Aufnahme zu identifizieren und/oder zu lokalisieren. Die identifizierten Fehlstellen, insbesondere eine Art, Anzahl, Lage und/oder Größe der identifizierten Fehlstellen, können in der Klassifizierung des Bauteils berücksichtigt werden. Bspw. können besonders kritische Lagen von Rissen erkannt werden, bei welchen ein Bauteilversagen besonders wahrscheinlich ist. Dies entspricht eher einem symbolischen Ansatz des maschinellen Lernens, d.h. als „Starthilfe“ wird der Lösungsweg an das Vorgehen eines menschlichen Befunders/Prüfers angelehnt, der in einem ersten Schritt Fehlstellen in der Aufnahme von Hand identifiziert und bewertet.According to a further aspect of the invention, the machine learning system can be designed to identify and/or localize defects, in particular cracks or pores, contamination, connection errors in the at least one recording. The identified flaws, in particular a type, number, position and/or size of the identified flaws, can be taken into account in the classification of the component. For example, particularly critical positions of cracks can be identified, where component failure is particularly likely. This corresponds more to a symbolic approach of machine learning, i.e. as a "jump start" the solution is based on the procedure of a human appraiser/tester, who in a first step identifies and evaluates defects in the recording by hand.
In einer weiteren Ausgestaltung der Erfindung, kann das maschinelle Lernsystem dazu ausgebildet sein, als einen Schritt der Klassifizierung einen Filter über die von der Bilderfassungseinrichtung erhaltene Aufnahme zu legen. Dies ist ein weiterer Schritt in Richtung eines symbolischen Ansatzes, um schneller zu einer konvergierenden Lösung zu gelangen. Für menschliche Prüfer/Befunder werden manche Fehler z.B. bei Veränderung der Graustufengradienten klarer. Das maschinelle Lernsystem blickt zunächst in der Regel auf den gesamten, ungefilterten Datensatz der Aufnahme, die von der Bilderfassungseinrichtung kommt. Wenn beim Trainieren des maschinellen Lernsystems dieses die manuelle Markierung der Fehlstelle in der Aufnahme zusammen mit der vom Prüfer/Befunder gewählten Filtereinstellung, bei der dieser die Fehlstelle erkannt hat, erhält, kann das maschinelle Lernsystem die Daten ebenfalls zur Vereinfachung der Mustererkennung mit diesem Filter filtern und gegebenenfalls schneller zu einer Lösung konvergieren.In a further embodiment of the invention, the machine learning system can be designed to place a filter over the recording obtained from the image acquisition device as a classification step. This is another step towards a symbolic approach to get faster to a converging solution. For human examiners/assessors, some errors become clearer, e.g. when changing the gray level gradients. The machine learning system usually first looks at the entire, unfiltered data set of the recording coming from the image acquisition device. When training the machine learning system, if it receives the manual marking of the defect in the recording together with the filter setting chosen by the examiner/appraiser at which the defect was recognized, the machine learning system can also filter the data with this filter to simplify pattern recognition and possibly converge faster to a solution.
Gemäß einem weiteren Aspekt der Erfindung kann das maschinelle Lernsystem dazu ausgebildet sein, die Bilderfassungseinrichtung nach der Auswertung der zumindest einen Aufnahme autonom anzusteuern, um zumindest eine weitere Aufnahme des Bauteils mit einem variierten Aufnahmeparameter, insbesondere einem variierten Aufnahmewinkel, zu erstellen, wenn anhand der zumindest einen anfänglichen Aufnahme ein Klassifizierungskriterium nicht erfüllt werden kann.According to a further aspect of the invention, the machine learning system can be designed to autonomously control the image acquisition device after the evaluation of the at least one recording in order to create at least one further recording of the component with a varied recording parameter, in particular a varied recording angle, if based on the at least an initial admission a classification criterion cannot be met.
Die Aufgabe wird außerdem gelöst durch erfindungsgemäßes Verfahren zum Trainieren eines maschinellen Lernsystems, dass zum Prüfen eines Bauteils, insbesondere eines Bauteils einer Strömungsmaschine, ausgebildet und vorgesehen ist gemäß Anspruch 8. Dabei wird in einem ersten Schritt ein maschinelles Lernsystems bereitgestellt, das insbesondere ein neuronales Netzwerk umfasst.The object is also achieved by the method according to the invention for training a machine learning system that is designed and provided for testing a component, in particular a component of a turbomachine, according to claim 8. In a first step, a machine learning system is provided, which in particular is a neural network includes.
Dem maschinellen Lernsystem werden eine Aufnahme des Bauteils sowie Metadaten zu dem Bauteil eingegeben, wobei die Metadaten insbesondere einen Bauteiltyp, eine Laufzeit des Bauteils, eine Anzahl verbleibender Lebenszyklen und/oder eine Reparaturhistorie umfassen.A recording of the component and metadata about the component are entered into the machine learning system, the metadata including in particular a component type, a term of the component, a number of remaining life cycles and/or a repair history.
In einem weiteren Schritt klassifiziert das maschinelle Lernsystem das Bauteils anhand der eingegebenen Daten in eine „Servicable“ oder eine „Non-Servicable“ Kategorie und gibt die ermittelten Kategorie anschließend aus, bspw. auf einem Bildschirm wieder.In a further step, the machine learning system classifies the component based on the entered data into a "servicable" or a "non-servicable" category and then outputs the determined category, e.g. on a screen.
Daraufhin werden zutreffende Informationen über die Kategorie des Bauteils in das maschinelle Lernsystem eingespeist, um dieses zu trainieren. Das heißt, das maschinelle Lernsystem prüft das Bauteil zunächst auf Basis seines aktuellen Trainings- bzw. Wissensstandes und wird anschließend mit einer ausgewählten „Musterlösung“ weiter antrainiert. Stimmt diese Musterlösung bzw. zutreffende Information mit der Bewertung des maschinellen Lernsystems überein, kann mit dem nächsten Bauteil fortgefahren werden. Stimmen die Prüfergebnisse nicht überein können die Bewertungskriterien manuell oder automatisch angepasst werden, bspw. durch Methoden des reinforcement learning.Appropriate information about the category of the component is then fed into the machine learning system to train it. This means that the machine learning system first checks the component on the basis of its current training or knowledge level and is then trained further with a selected "sample solution". If this sample solution or applicable information matches the evaluation of the machine learning system, you can continue with the next component. Are the test results correct? If they do not match, the evaluation criteria can be adjusted manually or automatically, e.g. using methods of reinforcement learning.
Gemäß einer bevorzugten Ausführungsform kann die oben genannte zutreffende Information zum Trainieren des maschinellen Lernsystems auf der Grundlage einer menschlichen Prüfung des Bauteils erstellt werden.According to a preferred embodiment, the above pertinent information for training the machine learning system can be established based on human inspection of the component.
Gemäß einem weiteren bevorzugten Aspekt der Erfindung, kann das maschinelle Lernsystem beim Schritt des Klassifizierens, analog zu den vorstehend beschriebenen Prüfverfahren, zusätzlich ein Klassifizieren in eine „Repairable“ oder „Non-Repairable“ Kategorie, ein Ermitteln einer eine Erfolgswahrscheinlichkeit einer Reparatur und/oder eine Identifikation von Fehlstellen in der zumindest eine Aufnahme des Bauteils (10) durchführen und beim Eingeben der zutreffenden Information entsprechend eine zutreffende Kategorie oder zutreffend identifizierte Fehlstellen zum Trainieren in das maschinelle Lernsystem (30) eingegeben werden.According to a further preferred aspect of the invention, the machine learning system can, in the classification step, analogously to the test methods described above, also classify into a "repairable" or "non-repairable" category, determine a probability of success of a repair and / or carry out an identification of flaws in the at least one recording of the component (10) and when entering the relevant information, a relevant category or correctly identified flaws are entered into the machine learning system (30) for training.
Die Aufgabe wird ferner gelöst durch ein Computerprogrammprodukt nach Anspruch 11, das von einem Prozessor eines Computers lesbare Instruktionen aufweist, die, wenn sie von dem Prozessor ausgeführt werden, den Prozessor veranlassen, das Verfahren nach einem der vorhergehenden Aspekte auszuführen.The object is further achieved by a computer program product according to claim 11, which has instructions readable by a processor of a computer which, when executed by the processor, cause the processor to execute the method according to one of the preceding aspects.
Die Aufgabe wird ferner gelöst durch ein computerlesbares Speichermedium nach Anspruch 12, auf dem das Computerprogrammprodukt nach dem vorangehenden Aspekt gespeichert ist.The object is further achieved by a computer-readable storage medium according to claim 12, on which the computer program product according to the preceding aspect is stored.
Die Aufgabe wird ferner gelöst durch ein System zum Prüfen eines Bauteils, insbesondere eines Bauteils einer Strömungsmaschine nach Anspruch 13. Ein solches System hat zumindest eine Bilderfassungseinrichtung zum Aufnehmen einer Röntgen- oder CT-Aufnahme des Bauteils und einen trainierten maschinellen Lernsystem das dazu ausgebildet ist, die Aufnahme der Bilderfassungseinrichtung und Metadaten über das Bauteil zu akquirieren/erhalten und das dazu trainiert ist, das Bauteil anhand dieser Daten in eine „Servicable“ oder in eine „Non-Servicable“ Kategorie zu klassifizieren. Ferner kann das System dazu trainiert und ausgebildet sein, einen oder mehrere der vorstehend beschriebenen Aspekte eines Prüfverfahres oder Trainingsverfahrens auszuführen.The object is also achieved by a system for testing a component, in particular a component of a turbomachine according to claim 13. Such a system has at least one image acquisition device for recording an X-ray or CT image of the component and a trained machine learning system which is designed to acquire/obtain image capture device image and metadata about the component and be trained to classify the component into a “servicable” or a “non-servicable” category based on that data. Furthermore, the system may be trained and configured to perform one or more of the aspects of a testing method or training method described above.
Figurenlistecharacter list
Im Folgenden wird die Erfindung anhand eines Ausführungsbeispiels näher erläutert, wobei die einzelnen Merkmale im Rahmen der nebengeordneten Ansprüche auch in anderer Kombination erfindungswesentlich sein können und auch weiterhin nicht im Einzelnen zwischen den unterschiedlichen Anspruchskategorien unterschieden wird.The invention is explained in more detail below using an exemplary embodiment, with the individual features within the framework of the independent claims also being able to be essential to the invention in a different combination and no distinction being made in detail between the different claim categories.
Im Einzelnen zeigt
-
1 eine schematische Darstellung einer Strömungsmaschine; -
2 eine schematische Darstellung eines Ablaufs eines Verfahrens zum Prüfen eines Bauteils gemäß einem Ausführungsbeispiel der vorliegenden Erfindung; -
3 eine schematische Darstellung eines Ablaufs eines Trainingsvorgangs für ein maschinelles Lernsystem gemäß einem Ausführungsbeispiel der Erfindung; -
4 ein System gemäß einem Ausführungsbeispiel der Erfindung.
-
1 a schematic representation of a turbomachine; -
2 a schematic representation of a sequence of a method for testing a component according to an embodiment of the present invention; -
3 a schematic representation of a sequence of a training process for a machine learning system according to an embodiment of the invention; -
4 a system according to an embodiment of the invention.
Bevorzugte Ausführung der ErfindungPreferred embodiment of the invention
Im darauffolgenden Verfahrensschritt (S3) wird die zumindest eine von der Bilderfassungseinrichtung 20 erfasste Aufnahme an ein maschinelles Lernsystem 30 übermittelt, welches einen Computer bzw. eine Recheneinrichtung aufweist auf dem zumindest eine Datenbank und ein trainierter selbstlernender Algorithmus hinterlegt sind. Das maschinelle Lernsystem 30 ermittelt zunächst, ob die Aufnahme des Bauteils bzw. das Bauteil 10 mindestens eine Fehlstelle, wie z.B. einen Riss oder mindesens eine Pore aufweist oder nicht. Darüber hinaus kann das maschinelle Lernsystem 30 ein Bild ausgeben bzw. erzeugen, auf dem die erkannten bzw. identifizierten Fehlstellen, insbesondere Risse und/oder Poren, in der Aufnahme des Bauteils 10 gekennzeichnet sind. Diese Kennzeichnungen können z.B. durch farbige Elemente, die der Form der Fehlstelle, des Risses bzw. der Pore entsprechen, Beschriftungen oder ähnliches umfassen und dem Prüfer/Befunder zur Orientierung dienen, um Fehlstellen am tatsächlichen Bauteil zu kennzeichnen. Wenn das maschinelle Lernsystem 30 keine Fehlstelle bzw. keinen Riss und/oder keine Pore in dem Gesamtbild erkannt hat, kann das Bauteil 10 als fehlerfrei gekennzeichnet werden.In the subsequent method step (S3), the at least one recording captured by the
Der Algorithmus ist im Beschriebenen Ausführungsbeispiel dazu trainiert, das Bauteil 10 entweder in eine „Servicable“ oder in eine „Non-Servicable“ Kategorie zu klassifizieren. „Servicable“ bedeutet dabei, dass das Bauteil vorschriftenkonform in Betrieb genommen werden könnte. Dies bedeutet, dass das Bauteil entweder für fehlerfrei befunden wurde oder die vom maschinellen Lernsystem 30 ermittelten Fehlstellen derart geringfügig sind, dass selbst mit hohem einbezogenen Sicherheitsfaktor keine Auswirkungen auf das Bauteil 10 im Betrieb zu erwarten sind. Um die Klassifizierung durchzuführen, greift der trainierte selbstlernende Algorithmus auf in der Datenbank hinterlegte Metadaten zum Bauteil 10 zurück, welche u.a. die Laufzeit, die verbleibenden Lebenszyklen (vor der Reparatur), den Operator (z.B. Fluggesellschaft), nominelle oder gemessene Wandstärken, eine Reparaturhistorie oder eine Historie der Umgebung, in welcher das Bauteil betrieben wurde, umfassen.In the exemplary embodiment described, the algorithm is trained to classify the
Der Schritt (S4) wird nur durchgeführt, wenn das Bauteil 10 im Schritt (S3) als „Non-Servicable“ klassifiziert wurde. In diesem Fall stellt das maschinelle Lernsystem eine weitere Klassifizierung des Bauteils an: entweder in eine „Repairable“ oder in eine „Non-Repairable“ Kategorie. Sollte das Bauteil in die „Repairable“-Kategorie eingestuft werden, erstellt das maschinelle Lernsystem in einem Schritt (S5) eine Prognose über die Erfolgswahrscheinlichkeit der Reparatur an. Für diese Prognose kann das maschinelle Lernsystem 30 auf eine Datenbank zurückgreifen, in welcher sowohl vorangegangene Prüfverfahren/-ergebnisse an Bauteilen desselben Typs (erstellte Aufnahmen, Metadaten und Prüfergebnis) als auch die letztendlichen Ergebnisse der Reparaturen dieser Bauteile hinterlegt sind. In anderen Worten sind in der Datenbank für Bauteile desselben Typs in der Vergangenheit erstellte Bild- und Metadaten, die anhand dieser Daten erstellten Prognosen sowie der letztendliche Reparaturerfolg oder -misserfolg verknüpft, um als Datenbasis für eine Prognose eines aktuell geprüften Teils zu dienen. Beispielhaft könnte, wenn an einem aktuell untersuchten Bauteil ein Riss mit einer bestimmten Länge ermittelt wurde, in der Datenbank geprüft werden, wie hoch in der Vergangenheit die Erfolgswahrscheinlichkeit einer Reparatur desselben Bauteiltyps mit einem Riss vergleichbarer Länge (bspw. +/- 10%) lag.Step (S4) is only carried out if the
Ist Schritt S5 durchlaufen, wird das Bauteil 10 mit der erstellten Prognose über die Wiederherstellungswahrscheinlichkeit und den Ermittelten Fehlerpositionen, -typen und Fortschrittsgrößen an die nächste Station zum ersten Reparaturschritt weitergeleitet.Once step S5 has been completed, the
Für die vorstehend beschriebene Klassifizierung sowie für die Abschätzung der Erfolgswahrscheinlichkeit einer Reparatur können insbesondere die Länge der Fehlstelle bzw. der Fehlstellen, insbesondere des Risses oder der Risse bzw. der Pore bzw. Poren, die Breite der Fehlstelle oder der Fehlstellen, insbesondere des Risses oder der Risse, die Größe bzw. Durchmesser der Fehlstelle bzw. Pore und/oder Anzahl der Fehlstellen, insbesondere Risse und/oder Poren, als Klassifikationseigenschaft zugrunde gelegt werden.The length of the defect or defects, in particular the crack or cracks or the pore or pores, the width of the defect or defects, in particular the crack or of the cracks, the size or diameter of the defect or pore and/or the number of defects, in particular cracks and/or pores, are taken as a basis for the classification property.
- Als Ausgangsbasis für das Training des maschinellen Lernsystems 30 ist denkbar, dass Bilder, die vom Menschen zutreffend als Fehlstellen, insbesondere Risse und/oder Poren, „aufweisend“ (auch als „eine Anzeige haben“ bezeichnet) oder „nicht aufweisend“ (auch als „keine Anzeige haben“ bezeichnet) markiert wurden, in
das maschinelle Lernsystem 30 als Truth/Wahrheit eingegeben werden. Vorstellbar ist auch, dass zusätzlich das Bild, bei dem ein Mensch die Stellen bzw. Positionen der Fehlstellen, insbesondere Risse und/oder Poren, zutreffend markiert hat, als Truth/Wahrheit indas maschinelle Lernsystem 30 eingegeben wird. Diese Bilder werden im Kontext mit den jeweiligen bereits erwähnten Metadaten (Laufzeit, LLP etc.) indas maschinelle Lernsystem 30 eingegeben. Zusammengefasst kann ein vom Menschen vorbewerteter Datensatz als Ausgangsbasis für das Anlernen des maschinellen Lernsystems 30 dienen.
- As a starting point for the training of the
machine learning system 30, it is conceivable that images that humans correctly identify as defects, in particular cracks and/or pores, "have" (also referred to as "having a display") or "not exhibiting" (also referred to as " labeled "have no display") are input into themachine learning system 30 as truth. It is also conceivable that the image in which a person has correctly marked the locations or positions of the defects, in particular cracks and/or pores, is also entered into themachine learning system 30 as truth. These images are entered into themachine learning system 30 in context with the respective metadata already mentioned (runtime, LLP etc.). In summary, a human pre-scored data set can be used as a Starting point for teaching themachine learning system 30 are used.
Danach kann das maschinelle Lernsystem 30 sozusagen in situ weiter trainiert und seine Fehlererfassung geschärft werden. Ein Bild bzw. eine Bildaufnahme des Bauteils 10, das von der Bildererfassungseinrichtung 20 erstellt wurde, wird dazu in das maschinelle Lernsystem 30 eingegeben. Das Bauteil 10 wurde bei der Bildaufnahme mit Röntgenstrahlen durchleuchtet, sodass eine Graustufendarstellung entsteht, bei der auch unterhalb der Oberfläche des Bauteils 10 liegende Fehlstellen bzw. Unregelmäßigkeiten im Signal enthalten sind. Das maschinelle Lernsystem 30 gibt auf Basis der von der Bilderfassungseinrichtung 20 aufgenommenen Aufnahme, der in der Datenbank zu dem Bauteil 10 hinterlegten Metadaten sowie der Lernhistorie die Information aus, ob das Bauteil 10 Fehlstellen, insbesondere Risse oder Poren, aufweist oder nicht und gibt ein Bild aus, auf dem die Fehlstellen, insbesondere Risse und/oder Poren, die es erkannt hat, gekennzeichnet sind. Zudem klassifiziert das maschinelle Lernsystem 30 nach der in
Ein Trainer, z.B. ein menschlicher Befunder, prüft parallel oder nachfolgen die Aufnahme des Bauteils (sowie ggf. auch das physische Bauteil an sich) und berichtigt bzw. gibt zutreffend an, ob das jeweilige Bauteil 10 Fehlstellen, insbesondere Risse und/oder Poren, enthält oder nicht. Dies wird in das maschinelle Lernsystem 30 eingegeben, so dass das maschinelle Lernsystem 30 lernen kann. Dabei ist es z.B. auch möglich, dass der menschliche Befunder/Trainer manuell eine Fehlstelle, wie z.B. einen Riss markiert, um den Algorithmus zu trainieren. Der Trainer gibt zusätzlich seine Klassifikation des Bauteils 10 in die Kategorien Servicable/Non-Servicable sowie Repairable/Non-Repairable als Referenz an.A trainer, e.g. a human assessor, checks the recording of the component (and possibly also the physical component itself) at the same time or subsequently and corrects or correctly states whether the respective component contains 10 defects, in particular cracks and/or pores or not. This is fed into the
Das maschinelle Lernsystem 30 erkennt selbständig die Unterschiede zwischen dem von ihm erzeugten Bild, auf dem die vom maschinellen Lernsystem 30 erkannten Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind, und dem Bild, auf dem die von dem Menschen zutreffend erkannten Fehlstellen, insbesondere Risse und/oder Poren, gekennzeichnet sind. Ebenso erkennt das maschinelle Lernsystem selbstständig Abweichungen in seiner Klassifizierung des Bauteils zur menschlichen Klassifizierung. Hat das maschinelle Lernsystem 30 eine Fehlstelle nicht erkannt oder einen schadfreien Bereich unzutreffend als Fehlstelle gekennzeichnet, so lernt es anhand des menschlichen Befundes und kann seine Bewertungskriterien neu gewichten.The
Stimmt die maschinelle Klassifizierung und Fehlererkennung mit der Klassifizierung und Fehlererkennung des Trainers überein, wird das maschinelle Lernsystem 30 am nächsten Bauteil weitertrainiert. Gibt es eine Abweichung, vergleicht der Trainer die Ergebnisse und kann manuell die Kriterien anpassen. Alternativ kann das maschinelle Lernsystem seine Bewertungskriterien auch automatisch auf Basis der Humanbewertung anpassen. Die Aufnahme wird dann mit den angepassten Kriterien erneut vom maschinellen Lernsystem 30 bewertet. Dies wird solange wiederholt, bis die maschinelle mit der menschlichen Bewertung übereinstimmt.If the machine classification and error detection agree with the trainer's classification and error detection, the
Dieses Training des maschinellen Lernsystems 30 kann mit einer Vielzahl von Bildern, möglichst von unterschiedlichen Bauteilen 10 desselben Typs, wiederholt werden.This training of the
Das maschinelle Lernsystem 30 kann von unterschiedlichen Personen trainiert werden. Dies bedeutet, dass unterschiedliche Menschen Fehlstellen, insbesondere Risse und/oder Poren, in dem Gesamtbild identifizieren und diese Information in das maschinelle Lernsystem 30 eingegeben wird.The
Wenn das maschinelle Lernsystem 30 soweit trainiert wurde, dass es die Fehlstellensuche und die Klassifizierung des Bauteils so gut wie ein (hierfür geschulter bzw. trainierter) Mensch durchführt kann das Training ggf. beendet werden und es muss vom Menschen nur noch den Betrieb des Systems 10 mit dem maschinellen Lernsystem 40 überwacht bzw. bedient werden.If the
Das Bauteil 10 kann z.B. ein Bauteil eines Triebwerks sein. Das Bauteil 10 kann z.B. ein Rotor bzw. eine Schaufel eines Hochdruckkompressors (high pressure compressor, HPC) oder ein Rotor bzw. eine Schaufel einer Hochdruckturbine (high pressure turbine, HPT) eines Triebwerks sein. Das Triebwerk kann insbesondere ein Triebwerk eines Flugzeugs sein.For example, the
BezugszeichenlisteReference List
- 11
- Strömungsmaschineflow machine
- 1a1a
- Verdichtercompressor
- 1b1b
- Brennkammercombustion chamber
- 1c1c
- Turbineturbine
- 22
- Drehachseaxis of rotation
- 55
- Rotorrotor
- 66
- Statorstator
- 77
- Gaskanalgas channel
- 1010
- Bauteilcomponent
- 2020
- Bilderfassungseinrichtungimage capture device
- 3030
- maschinelles Lernsystemmachine learning system
- 100100
- Prüfstationtest station
Claims (13)
Priority Applications (4)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021200938.7A DE102021200938A1 (en) | 2021-02-02 | 2021-02-02 | PROCEDURE FOR TESTING A FLUID MACHINE COMPONENT |
EP21844633.4A EP4288768A1 (en) | 2021-02-02 | 2021-12-16 | Method for checking a component of a turbomachine |
US18/275,061 US20240084716A1 (en) | 2021-02-02 | 2021-12-16 | Method for inspecting a component of a turbomachine |
PCT/DE2021/101011 WO2022167022A1 (en) | 2021-02-02 | 2021-12-16 | Method for checking a component of a turbomachine |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102021200938.7A DE102021200938A1 (en) | 2021-02-02 | 2021-02-02 | PROCEDURE FOR TESTING A FLUID MACHINE COMPONENT |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102021200938A1 true DE102021200938A1 (en) | 2022-08-04 |
Family
ID=79730551
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102021200938.7A Pending DE102021200938A1 (en) | 2021-02-02 | 2021-02-02 | PROCEDURE FOR TESTING A FLUID MACHINE COMPONENT |
Country Status (4)
Country | Link |
---|---|
US (1) | US20240084716A1 (en) |
EP (1) | EP4288768A1 (en) |
DE (1) | DE102021200938A1 (en) |
WO (1) | WO2022167022A1 (en) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030167616A1 (en) | 2002-03-08 | 2003-09-11 | General Electric Crd | Inspection and sorting system and method for part repair |
DE102018109819A1 (en) | 2018-04-24 | 2019-10-24 | Yxlon International Gmbh | Method for obtaining information from X-ray computed tomography data for optimizing the injection molding process of short fiber reinforced plastic parts |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7809587B2 (en) * | 2004-05-07 | 2010-10-05 | International Business Machines Corporation | Rapid business support of insured property using image analysis |
GB2554361B8 (en) * | 2016-09-21 | 2022-07-06 | Emergent Network Intelligence Ltd | Automatic image based object damage assessment |
US10832065B1 (en) * | 2018-06-15 | 2020-11-10 | State Farm Mutual Automobile Insurance Company | Methods and systems for automatically predicting the repair costs of a damaged vehicle from images |
-
2021
- 2021-02-02 DE DE102021200938.7A patent/DE102021200938A1/en active Pending
- 2021-12-16 EP EP21844633.4A patent/EP4288768A1/en active Pending
- 2021-12-16 WO PCT/DE2021/101011 patent/WO2022167022A1/en active Application Filing
- 2021-12-16 US US18/275,061 patent/US20240084716A1/en active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20030167616A1 (en) | 2002-03-08 | 2003-09-11 | General Electric Crd | Inspection and sorting system and method for part repair |
DE102018109819A1 (en) | 2018-04-24 | 2019-10-24 | Yxlon International Gmbh | Method for obtaining information from X-ray computed tomography data for optimizing the injection molding process of short fiber reinforced plastic parts |
Also Published As
Publication number | Publication date |
---|---|
WO2022167022A1 (en) | 2022-08-11 |
EP4288768A1 (en) | 2023-12-13 |
US20240084716A1 (en) | 2024-03-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102011114541A1 (en) | Endoscopy system and corresponding method for inspecting gas turbines | |
DE102004024262A1 (en) | Knowledge-based diagnostic system for a complex technical system with two separate knowledge bases for processing technical system data and processing customer complaints | |
WO2023041458A2 (en) | Computer-implemented method, modules, and system for detecting anomalies in industrial manufacturing processes | |
DE102010048008A1 (en) | Condition monitoring method and system for wind turbines | |
DE102011086352A1 (en) | Method and diagnostic system to support guided troubleshooting in technical systems | |
EP3635680A1 (en) | Computer-implemented method and device for automatically generating characterized image data and analysis device for inspecting a component | |
EP1406173A2 (en) | Method for testing a software system for technical installations | |
EP3990904A1 (en) | Method for detecting defects in a component, method for training a machine learning system, computer program product, computer-readable medium, and system for detecting defects in a component | |
DE102021200938A1 (en) | PROCEDURE FOR TESTING A FLUID MACHINE COMPONENT | |
DE102012015363B4 (en) | Device for detecting errors of an unmanned missile designed to fly on a carrier aircraft and method therefor | |
EP2492701B1 (en) | Method and device for testing a wind turbine assembly | |
WO2021018741A1 (en) | Method and device for planning maintenance on at least one machine | |
DE102016200779A1 (en) | Examination method for a serviceable hollow component of a turbomachine | |
DE10146901A1 (en) | Method and system for processing error hypotheses | |
EP3722798A1 (en) | Method for determining the geometry of a defect and for determining a load capacity limit | |
DE112017006464T5 (en) | Detection method and detection device for a rolling bearing | |
DE102019114966A1 (en) | Procedure for assessing welds | |
Condic‐Marinovic et al. | Further development of condition assessment and structure management of DB Netz AG, by example of tunnels and culverts | |
DE102017217596A1 (en) | Method for checking an electronic component, method for generating a model and device | |
DE102018112910B4 (en) | Manufacturing process for a drive device and test device | |
DE112021003974T5 (en) | test device | |
EP3173618A1 (en) | Method for the analysis of parts of wind energy assemblies, in particular of rotor blades | |
DE102020119579A1 (en) | Method for assigning states to components, apparatus, computer program product and computer-readable storage medium | |
WO2022053095A1 (en) | Method for testing components | |
DE102020213694A1 (en) | Automated evaluation of screws used |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R163 | Identified publications notified |